现有基于深度学习的煤矸识别方法应用于井下复杂环境中时易出现误检和漏检情况，且对小目标煤矸的识别精度低。针对该问题，提出一种改进YOLOv5模型，并基于该模型实现煤矸识别。对采集的煤与矸石数据进行数据增强，以丰富数据集，提高数据利用率；在空间金字塔池化（SPP）模块中引入空洞卷积和残差块，得到残差ASPP模块，可在不损失图像信息的前提下，增大卷积输出感受野，强化模型对深层特征的提取；采用AdaBelief优化算法代替YOLOv5原有的Adam优化算法，提高模型的收敛速度与识别精度。实验结果表明：AdaBelief优化算法和残差ASPP模块可有效提高YOLOv5模型的精确率、召回率和平均精度均值（mAP）；改进YOLOv5模型的mAP达到94.43%，比原始YOLOv5模型提高了2.27%，帧率降低了0.03帧/s，性能优于SSD,Faster R-CNN,YOLOv3,YOLOv4等主流目标检测模型；在极端黑暗的环境中，改进YOLOv5模型也能准确划定目标边界，识别效果优于其他改进YOLOv5模型。

国家自然科学基金资助项目（51774234）；陕西省榆林市科技计划项目（CXY-2020-035）；天地科技股份有限公司科技创新创业资金专项项目（2020-TD-ZD010）；

0 引言
1 YOLOv5模型
1.1 YOLOv5s模型框架
1.2 SPP模块
2 YOLOv5s模型改进
2.1 SPP模块结构改进
2.2 优化算法改进
3 实验分析
3.1 数据采集及预处理
3.2 模型性能验证
3.2.1 优化算法性能
3.2.2 残差ASPP性能
3.3 主流目标检测模型性能对比
3.4 同类改进模型性能对比
4 结论

张释如,黄综浏,张袁浩,章鳌,季亮.基于改进YOLOv5的煤矸识别研究[J].工矿自动化,2022,48(11):39-44.DOI:10.13272/j.issn.1671-251x.2022060052.